一篇文章可以被简单地看作一串单词序列,甚至是一串字符序列。本节中,我们将解析文本的常见预处理步骤。
这些步骤通常包括:
import collections
import re
from d2l import torch as d2l
首先,我们从H.G.Well的时光机器中加载文本。这是一个相当小的语料库,只有30000多个单词,但足够我们小试牛刀,而现实中的文档集合可能会包含数十亿个单词。下面的函数(将数据集读取到由多条文本行组成的列表中),其中每条文本行都是一个字符串。为简单起见,我们在这里忽略了标点符号和字母大写。
#@save
d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
'090b5e7e70c295757f55df93cb0a180b9691891a')
def read_time_machine(): #@save
"""将时间机器数据集加载到文本行的列表中"""
with open(d2l.download('time_machine'), 'r') as f:
lines = f.readlines()
return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]
lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])
Downloading ..\data\timemachine.txt from http://d2l-data.s3-accelerate.amazonaws.com/timemachine.txt...
# 文本总行数: 3221
the time machine by h g wells
twinkled and his usually pale face was flushed and animated the
其中[re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]
的作用:
这段代码使用了Python的re模块中的sub()函数,用于替换字符串中的匹配项。具体解释如下:
re.sub('[^A-Za-z]+', ' ', line)
:这部分代码使用正则表达式[^A-Za-z]+
来匹配字符串line
中的非字母字符,并将其替换为一个空格。换句话说,它会将字符串中的非字母字符都替换为空格。.strip()
:这部分代码用于去除字符串两端的空格。.lower()
:这部分代码用于将字符串转换为小写。for line in lines
:这部分代码表示对列表lines
中的每个元素进行循环操作。
综合起来,这段代码的作用是对列表lines
中的每个元素进行处理,将其中的非字母字符替换为空格,并将结果转换为小写形式。
[^A-Za-z]+
的作用:
[^A-Za-z]+
是一个正则表达式模式,用于匹配字符串中的非字母字符。
具体解释如下:
[]
:方括号表示一个字符类,匹配方括号内的任意一个字符。^
:在字符类内部的开头使用^
表示取反,即匹配除了方括号内的字符之外的任意一个字符。A-Za-z
:表示匹配任意一个大写或小写字母。具体解释如下:
- A-Z:表示匹配大写字母A到Z之间的任意一个字符。
- a-z:表示匹配小写字母a到z之间的任意一个字符。
+
:表示匹配前面的模式(这里是[^A-Za-z]
)一次或多次。
所以,[^A-Za-z]+
可以匹配一个或多个连续的非字母字符。
下面的tokenize
函数将文本行列表(lines
)作为输入,列表中的每个元素是一个文本序列(如一条文本行)。[每个文本序列又被拆分成一个词元列表], 词元(token)是文本的基本单位 。最后,返回一个由词元列表组成的列表,其中的每个词元都是一个字符串(string)。
def tokenize(lines, token='word'): #@save
"""将文本行拆分为单词或字符词元"""
if token == 'word':
return [line.split() for line in lines]
elif token == 'char':
return [list(line) for line in lines]
else:
print('错误:未知词元类型:' + token)
tokens = tokenize(lines)
for i in range(11):
print(tokens[i])
['The', 'Time', 'Machine,', 'by', 'H.', 'G.', 'Wells', '[1898]']
[]
[]
[]
[]
['I']
[]
[]
['The', 'Time', 'Traveller', '(for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him)']
['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us.', 'His', 'grey', 'eyes', 'shone', 'and']
['twinkled,', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated.', 'The']
词元的类型是字符串,而模型需要的输入是数字,因此这种类型不方便模型使用。现在,让我们[构建一个字典,通常也叫做词表(vocabulary),用来将字符串类型的词元映射到从 0 0 0开始的数字索引中]。我们先将训练集中的所有文档合并在一起,对它们的唯一词元进行统计,得到的统计结果称之为语料(corpus)。
然后根据每个唯一词元的出现频率,为其分配一个数字索引。很少出现的词元通常被移除,这可以降低复杂性。另外,语料库中不存在或已删除的任何词元都将映射到一个特定的未知词元“
class Vocab: #@save
"""文本词表"""
# tokens用于构建词表的文本列表,默认为空;min_freq用于指定词频的阈值,默认为0;reserved_tokens用于指定保留的词元列表,默认为空
def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
if tokens is None:
tokens = []
if reserved_tokens is None:
reserved_tokens = []
# 按出现频率排序
counter = count_corpus(tokens)
self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)
# 构建idx_to_token和token_to_idx,用于将词元和索引相互转换。未知词元的索引为0,保留词元的索引从1开始递增。
self.idx_to_token = ['' ] + reserved_tokens
self.token_to_idx = {token: idx for idx, token in enumerate(self.idx_to_token)}
for token, freq in self._token_freqs:
if freq < min_freq:
break
if token not in self.token_to_idx:
self.idx_to_token.append(token)
self.token_to_idx[token] = len(self.idx_to_token) - 1
# 返回词表中词元的数量
def __len__(self):
return len(self.idx_to_token)
# 接受一个词元或词元列表作为输入,返回其对应的索引或索引列表。
## 如果输入是单个词元,则直接查找其索引;如果输入是词元列表,则递归地对列表中的每个词元进行索引查找。
def __getitem__(self, tokens):
if not isinstance(tokens, (list, tuple)):
return self.token_to_idx.get(tokens, self.unk)
return [self.__getitem__(token) for token in tokens]
# 接受一个索引或索引列表作为输入,返回其对应的词元或词元列表。
def to_tokens(self, indices):
if not isinstance(indices, (list, tuple)):
return self.idx_to_token[indices]
return [self.idx_to_token[index] for index in indices]
@property
def unk(self): # 未知词元的索引为0
return 0
@property
def token_freqs(self): # 返回词表中每个词元的词频,即_token_freqs属性的值。
return self._token_freqs
def count_corpus(tokens): #@save
"""统计词元的频率"""
# 这里的tokens是1D列表或2D列表
if len(tokens) == 0 or isinstance(tokens[0], list): # 判断tokens长度是否为0或者tokens列表的第一个元素是否为一个列表
# 将词元列表展平成一个列表
## 第一个for循环用于遍历tokens中的每个元素(即每个字符串列表),而第二个for循环用于遍历每个字符串列表中的每个元素(即每个字符串)。
tokens = [token for line in tokens for token in line] # 使用了列表推导式,目的是将一个嵌套的列表展开为一个一维列表。
return collections.Counter(tokens) # 返回key-value计数对象,key是toekn,value是token出现次数
我们首先使用时光机器数据集作为语料库来[构建词表],然后打印前几个高频词元及其索引。
vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])
[('' , 0), ('the', 1), ('i', 2), ('and', 3), ('of', 4), ('a', 5), ('to', 6), ('was', 7), ('in', 8), ('that', 9)]
现在,我们可以(将每一条文本行转换成一个数字索引列表)。
for i in [0, 10]:
print('文本:', tokens[i])
print('索引:', vocab[tokens[i]])
文本: ['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
索引: [1, 19, 50, 40, 2183, 2184, 400]
文本: ['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']
索引: [2186, 3, 25, 1044, 362, 113, 7, 1421, 3, 1045, 1]
在使用上述函数时,我们[将所有功能打包到load_corpus_time_machine
函数中],该函数返回 corpus
(词元索引列表)和vocab
(语料库的词表) 。我们在这里所做的改变是:
corpus
仅处理为单个列表,而不是使用多词元列表构成的一个列表。def load_corpus_time_machine(max_tokens=-1): #@save
"""返回时光机器数据集的词元索引列表和词表"""
lines = read_time_machine()
tokens = tokenize(lines, 'char')
vocab = Vocab(tokens)
# 因为时光机器数据集中的每个文本行不一定是一个句子或一个段落,
# 所以将所有文本行展平到一个列表中
corpus = [vocab[token] for line in tokens for token in line]
if max_tokens > 0:
corpus = corpus[:max_tokens]
return corpus, vocab
corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)
参考文章:8.2. 文本预处理